Pages

Sabtu, 12 November 2011

Multikolinieritas dan Cara Mengatasinya


Ade Suyitno
Pendiri Indonesian Creative Youth (ICY)
dan Sekolah Alam Kreatif (Creative Nature School) Bandung
085659932860
FB : Ade Suyitno Adeno. TWTR : @adeno.


Multicollinearity


Multikolinieritas adalah suatu kondisi dimana terjadi korelasi yang kuat diantara variabel-variabel bebas (X) yang diikutsertakan dalam pembentukan model regresi linier. Jelas bahwa multikolinieritas adalah suatu kondisi yang menyalahi asumsi regresi linier. Tentu saja, multikolinieritas tidak terjadi apabila variabel bebas (X) yang diikutsertakan hanya satu.
Tidak terdapatnya multikolinear di dalam model adalah salah satu asumsi regresi linear klasik (classical linear regression model - CLRM). Definisi yang dikemukakan oleh Ragnar Frisch, pada awalnya multikolinear yaitu adanya hubungan linear yang “perfect” atau pasti diantara beberapa atau semua variabel bebas dalam model regresi.
Dalam perkembangannya, istilah multikolinier sudah digunakan dalam pengertian yang lebih luas, sehingga menyangkut hubungan linier antar variabel bebas yang tidak saja perfect, tapi meliputi hubungan linear yang lemah (low collinearity), hubungan liniear yang cukup kuat (moderate collinearity), hubungan linear yang kuat (high collinearity), dan hubungan linear yang sangat kuat (very high colliearity).

Konsekuensi adanya multikolinear

  1. Walaupun bersifat BLUE, estimator OLS yang didapatkan memiliki varians dan kovarians yang besar, sehingga estimasi yang tepat sulit dilakukan.
  2. Rentang kepercayaan (confidence interval) menjadi besar.
  3. Uji t untuk satu atau beberapa koefisien regresi cenderung untuk tidak signifikan.
  4. Walaupun banyak koefisien yang tidak signifikan (dalam uji-t), akan tetapi nilai koefisien determinasi (R2) biasanya sangat tinggi.
  5. Estimator OLS dan standart errornya menjadi sangat sensitif dengan adanya perubahan kecil pada data.

Pendeteksian Multikolinear

Pendugaan terhadap ada atau tidaknya multikolinear didalam sebuah persamaan ekonometrika, bisa dideteksi dengan beberapa cara.
  1. Koefisien determinasi (R2) yang tinggi, tapi hanya sedikit uji-t yang signifikan.
  2. Tingginya korelasi diantara variabel bebas .

Dengan ciri-ciri :
1.      Terjadi perubahan yang berarti pada koefisien model regresi (misal nilainya menjadi lebih besar atau kecil) apabila dilakukan penambahan atau pengeluaran sebuah variabel bebas dari model regresi.
2.      Diperoleh nilai R-square yang besar, sedangkan koefisien regresi tidak signifikan pada uji parsial.
3.      Tanda (+ atau -) pada koefisien model regresi berlawanan dengan yang disebutkan dalam teori (atau logika). Misal, pada teori (atau logika) seharusnya b1 bertanda (+), namun yang diperoleh justru bertanda (-).
4.      Nilai standard error untuk koefisien regresi menjadi lebih besar dari yang sebenarnya (overestimated)
Untuk mendeteksi apakah model regresi kita mengalami multikolinieritas, dapat diperiksa menggunakan VIF. VIF merupakan singkatan dari Variance Inflation Factor. Nilai VIF > 10 berarti telah terjadi multikolinieritas yang serius di dalam model regresi kita.

PERBAN MASALAH ATAS MULTIKOLINIERITAS
  1. Formasi apriori. Berdasarkan informasi sebelumnya, baik yang berasal dari penjelasan secara teoritis dalam ilmu ekonomi, atau berdasarkan bukti-bukti empiris dari studi yang telah dilakukan sebelumnya, maka bisa didapatkan informasin bahwa beberapa variabel bebas memiliki hubungan yang mendekati linear, sehingga jika dimasukkan secara bersamaan ke dalam sebuah persamaan, akan berpotensi menimbulkan masalah multikolinear.
  2. Kombinasi data cross section dan data time series. Kombinasi ini dikenal sebagai pooling data.
  3. Mengeluarkan variabel yang berkolinier. Cara yang sederhana ini harus diiringi dengan kehati-hatian dalam mengeluarkan sebuah variabel dari persamaan. Tindakan ini tidak bisa dilakukan jika keluarnya sebuah variabel akan mengakibatkan terjadinya kesalahan spesifikasi dalam model. Hal ini biasanya karena secara teoritis variabel tersebut tidak bisa dikeluarkan dari model.
  4. Melakukan transformasi terhadap variabel. Misalnya dengan melakukan tranformasi kedalam bentuk perbedaan pertama (first difference form).
  5. Penambahan data baru.

    Daftar Pustaka:
    Gujarati, D. 1991. Ekonometrika Dasar. Penerbit Erlangga. Jakarta.
    Kutner, M.H., C.J. Nachtsheim dan J. Neter. 2004. Applied Linear Regression Models.         Fourth Ed. The McGraw-Hill Company, Inc. New York.

Tidak ada komentar:

Posting Komentar